Generative AI-Empowered Resilient Adaptive ISAC Against Adversarial Machine Learning Attacks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this paper, we present a novel resilient adaptive integrated sensing and communication (RAd-ISAC) framework. It aims to enhance ISAC systems for advanced driver-assistance systems (ADASs) to mitigate adversarial machine learning (AML) threats and improve resource efficiency. AML attacks target ADASs by injecting false Range-Doppler maps (RDMs) to mislead the system about target vehicles (TVs), resulting in resource inefficiency. Our approach introduces a generative adversarial network (GAN) equipped with a differentiable Kolmogorov-Smirnov (KS) loss function, termed KSGAN. This significantly enhances AML attack detection by generating highly realistic RDM samples, improving the robustness of the AML detector. To optimize resource allocation in ISAC systems, we propose an adaptive signal transmission method. This allows the source vehicle (SV) to switch dynamically between ISAC and communication-only signals based on the AML detector's output and 2D constant false alarm rate (CFAR) analyses. We conduct extensive simulations with synthetic data using IBM's adversarial robustness toolbox (ART). Our results show that KSGAN outperforms standard GAN, Wasserstein GAN (WGAN), and relational GAN (RGAN) in AML detection. Additionally, when compared to other ISAC designs, including standalone ISAC, Faster-than-Nyquist ISAC (FTN-ISAC), ISAC-accelerated edge intelligence system, and hybrid-ISAC, our Rad-ISAC framework achieves the lowest root mean square error (RMSE) and Cramér-Rao lower bound (CRLB). This work highlights an unexplored vulnerability of ISAC systems to AML attacks and demonstrates advancements in ADAS vehicle safety and efficiency.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle